Patch-Aware Processing of Surfaces

Contextes locaux pour le traitement de surfaces

ANR Grant 2015 - 2019 (ANR Jeune Chercheur)

Back



Copyright Eurographics 2018

Our Wavejets paper [3] received an honorable mention of the Gunter Enderle Award at Eurographics 2018.

Detail Amplification example from [3]

English Summary

The past decade has seen a radical evolution in 3D surface acquisition and processing which has been driven by two general directions: designing ever higher quality digital acquisition devices on one hand, and designing low cost acquisition devices on the other hand. This evolution is similar to the one witnessed for digital cameras: on the one side ever better reflex cameras and on the other side cheap cameras integrated into mobile phones or computers.

This development calls for a variety of tools able to deal with this varying quality to generate the highest resolution possible out of low quality scans and to process high accuracy surfaces. This project proposes to tackle this problem by developing efficient and scalable methods taking advantage of an intrinsic property of surfaces : their natural self-similarity. Indeed, most surfaces, be it from a fine-art artefact or a mechanical object, are characterized by a strong self-similarity. This property stems from the natural structures of objects but also from the fabrication processes: regularity of the sculpting technique, or machine tool.

In the field of surface reconstruction from point clouds, existing approaches generally focus on reconstructing smooth closed surfaces. When the size of the data increases, global methods fail to recover both the shape geometry and the local details. We propose to explore new local approaches, the only ones well suited for large and precise data. The key idea of the project is to avoid processing the point cloud as a global shape, as is usually done in the Geometry Processing literature. Instead, our proposed approach takes into account a smaller scale : the points and their neighborhoods (patches). Analyzing surfaces at such a local scale will permit to reveal surfaces self-similarity, which is the core of our project.

Denoising using Local Probing Fields from [2]

Résumé Français

Durant les dix dernières années, les systèmes d'acquisition de surfaces ont largement évolué, résultant d'une part en des instruments précis mais coûteux et d'autre part des instruments à bas coût mais imprécis. Cette évolution est similaire à l'évolution des appareils photos, dont on dispose de modèles de plus en plus performantes en précision, et de modèles de moins en moins chers sur les téléphones mobiles et ordinateurs.

Ainsi, il est nécessaire de pouvoir traiter ces données hétérogènes pour pouvoir générer des modèles tridimensionnels les plus précis possible avec des outils d'acquisition parfois moins précis. Nous proposons dans ce contexte la conception d'approches efficaces et pouvant traiter de grandes masses de données en exploitant une propriété intrinsèque à toutes les surfaces : leur auto-similarité. En effet, la plupart des surfaces, qu'elles proviennent du monde de l'art ou de la Conception Assistée par Ordinateur, exhibent une forte auto-similarité, venant de leur structure naturelle ou du processus de fabrication : régularité de l'outil de sculpture ou de la machine-outil.

Les approches existantes de reconstruction de surfaces à partir de nuages de points essaient généralement de reconstruire des surfaces lisses et sans bords. Si la taille des données augmente, les approches globales ne réussissent pas à reconstruire à la fois l'objet dans son ensemble et les détails locaux. La clé de notre projet est d'éviter de traiter les nuages de points dans leur ensemble, comme effectué dans la litérature. Nous proposons un traitement plus local, prenant en compte les points et leur voisinage. L'analyse des surfaces à cette échelle plus fine permettra de réveler l'auto-similarité des surfaces, ce qui est le coeur de notre projet.

Super-resolution example from [1]

Membres

Publications

Stagiaires et Doctorants

ANR-14-CE27-0003

Content

Back